Les cas d'usage des agents AI en entreprise couvrent une gamme large et en expansion rapide de fonctions opérationnelles, allant de l'automatisation des flux de travail du service client au traitement des transactions financières, en passant par la conduite de recherches, la gestion de la surveillance de la conformité et la coordination de processus internes en plusieurs étapes qui nécessitaient auparavant une attention humaine soutenue. Le fil conducteur entre tous est que les agents AI gèrent un travail trop complexe, trop répétitif ou trop urgent pour être traité manuellement à l'échelle à laquelle opèrent les entreprises modernes.
La différence entre un assistant AI et un agent AI mérite d'être établie clairement avant d'aller plus loin. Un assistant répond à des invites. Un agent poursuit des objectifs. Lorsque vous posez une question à un chatbot, il répond. Lorsque vous déployez un agent sur une tâche, il planifie les étapes requises, utilise les outils disponibles pour les exécuter, évalue les résultats, ajuste son approche en fonction de ce qu'il trouve et continue à travailler jusqu'à ce que l'objectif soit atteint ou qu'un point de contrôle humain soit atteint. Cette capacité d'exécution autonome en plusieurs étapes est ce qui rend les agents utiles pour les types de flux de travail métier qui comptent le plus, et c'est aussi ce qui fait du déploiement réfléchi, plutôt qu'imprudent, une priorité organisationnelle. Ce guide couvre les cas d'usage des agents AI en entreprise les plus impactants aujourd'hui, explique pourquoi chacun fonctionne comme il le fait et aborde les considérations de gouvernance qui déterminent si un déploiement crée de la valeur ou crée des problèmes.
Pourquoi les agents AI passent de l'expérimentation aux opérations métier centrales
Le passage d'outils à participants actifs
La plupart des entreprises qui ont adopté l'AI dans sa phase commerciale précoce la traitaient comme un outil, quelque chose que l'on utilise en cas de besoin, comme un moteur de recherche ou une calculatrice. Vous lui donniez une invite, receviez une sortie et décidiez de ce qu'il fallait faire de cette sortie. L'humain restait le participant actif. L'AI produisait un artefact utile.
Les agents AI changent cette relation de manière fondamentale. Plutôt que d'attendre d'être sollicité pour chaque étape d'une tâche à plusieurs parties, un agent parcourt une séquence d'actions, prenant des décisions à chaque étape en fonction des résultats des précédentes, jusqu'à ce que la tâche soit terminée ou qu'une condition nécessitant un jugement humain soit atteinte. L'humain définit l'objectif et les garde-fous. L'agent gère l'exécution.
Ce changement est extrêmement important pour les opérations métier, car les parties les plus coûteuses et les plus chronophages de la plupart des flux de travail métier ne sont pas les tâches individuelles qui les composent. Ce sont la coordination, le séquencement et le suivi entre les tâches qui nécessitent une attention soutenue sur de longues périodes. Une personne exécutant un flux de travail de recherche et de reporting en dix étapes doit maintenir le contexte complet de la tâche à chaque étape, gérer les transferts entre outils et sources d'information, et maintenir des standards de qualité tout au long sans la variabilité d'attention que l'exécution prolongée de tâches introduit inévitablement. Un agent fait tout cela sans la charge cognitive, la variabilité ou les contraintes de temps qui rendent le même flux de travail coûteux à exécuter à grande échelle pour une équipe humaine.
Où la valeur métier se concentre réellement
Tous les cas d'usage d'agents AI en entreprise ne délivrent pas une valeur équivalente. Les applications générant le retour le plus mesurable partagent systématiquement un ensemble de caractéristiques. Elles impliquent l'exécution à haute fréquence de processus définis où le volume crée du coût. Elles nécessitent une coordination entre plusieurs sources d'information ou systèmes qui est fastidieuse pour les humains mais simple pour les logiciels. Elles ont des critères de qualité clairs par rapport auxquels un agent peut vérifier ses propres sorties. Et elles libèrent l'expertise humaine pour le travail intensif en jugement que ni l'automatisation ni les agents ne peuvent gérer.
Les organisations qui identifient leurs processus à plus haute fréquence, les plus définis et les plus mesurables comme point de départ pour le déploiement d'agents rapportent systématiquement de meilleurs résultats que celles qui commencent par des cas d'usage ambitieux et vaguement définis où les critères de succès ne sont pas clairs et où la performance de l'agent est difficile à évaluer.
Comprendre comment les choix d' AI architecture affectent la fiabilité et l'auditabilité de l'agent dans les processus métier à haute fréquence aide les organisations à concevoir des déploiements qui passent à l'échelle sans la dégradation de qualité que les systèmes d'agents mal architecturés manifestent à mesure que l'usage augmente.
Les cas d'usage des agents AI les plus impactants en entreprise aujourd'hui
Service et support client
Le service client est à la fois l'un des cas d'usage d'agents AI les plus largement déployés et les plus matures en entreprise. La combinaison d'un volume élevé d'interactions, de flux de résolution définis et d'une qualité de résultat mesurable en fait un choix naturel pour le déploiement d'agents, et les preuves opérationnelles des organisations qui ont déployé des agents ici sont substantiellement positives.
Les agents AI dans le service client font bien plus que répondre aux questions fréquemment posées. Un agent de service client bien déployé gère le flux de résolution complet pour une part significative des contacts entrants. Il récupère l'historique et le contexte du client, identifie la nature du problème, vérifie l'éligibilité par rapport à la politique en vigueur, identifie les options de résolution, exécute la résolution lorsque l'autorisation le permet, communique le résultat au client et journalise l'interaction à des fins de surveillance de la qualité et de conformité. Cette séquence, qui exige qu'un représentant humain garde plusieurs systèmes ouverts simultanément et coordonne entre eux pour chaque contact, s'exécute de manière autonome pour les contacts qui relèvent de l'autorité de résolution définie de l'agent.
Le chemin d'escalade humaine est l'élément de conception critique qui détermine si cela fonctionne bien ou crée de la frustration chez le client. Les contacts qui dépassent l'autorisation de l'agent, impliquent des circonstances inhabituelles ou pour lesquels le client demande un représentant humain doivent atteindre rapidement un humain, avec le contexte complet transféré. Le rôle de l'agent est de gérer les contacts qu'il peut bien gérer, pas de gérer chaque contact indépendamment de l'adéquation.
Ventes et gestion des prospects
Les opérations de vente représentent un domaine de déploiement d'agents AI à forte valeur où la combinaison du traitement de données, du séquencement des actions de prospection et de la cohérence du suivi rend les agents nettement plus efficaces que les équivalents gérés manuellement qu'ils remplacent.
Les agents AI appliqués aux flux de travail de vente gèrent la qualification des prospects par rapport à des critères définis sans l'incohérence que la qualification humaine introduit à grand volume. Ils recherchent les comptes et les contacts avant la prospection, assemblant un contexte pertinent à partir de plusieurs sources qu'il faudrait un temps significatif à une personne pour rassembler manuellement. Ils exécutent les séquences de relance avec la cohérence temporelle que les commerciaux humains, gérant leur propre attention entre les opportunités actives, atteignent rarement en pratique. Et ils font remonter des signaux de priorisation à travers un grand pipeline qui seraient invisibles pour une personne examinant les mêmes données sans assistance analytique.
La frontière importante dans le déploiement d'agents de vente est entre le travail de recherche, de qualification, de séquencement et de priorisation que les agents gèrent efficacement et la construction de relations, la négociation et le développement de la confiance qui restent distinctement humains. Les organisations qui déploient des agents pour gérer le premier tout en s'assurant que leurs commerciaux se concentrent sur le second voient généralement à la fois l'efficacité et la qualité relationnelle s'améliorer simultanément, car les humains ne consacrent plus leur attention à une coordination administrative sans valeur relationnelle.
Opérations financières et surveillance de la conformité
Les fonctions finance et conformité représentent l'un des cas d'usage d'agents AI les plus convaincants en entreprise, car la combinaison d'un traitement basé sur des règles à haut volume, d'exigences strictes de précision et d'un coût significatif d'erreur crée exactement les conditions dans lesquelles le déploiement d'agents délivre une valeur mesurable.
Les flux de travail des comptes fournisseurs et clients impliquent de grands volumes de traitement de documents, d'appariement, de vérification et de gestion d'exceptions que les agents gèrent de manière plus cohérente et à plus grande échelle que les équipes de traitement manuel. Les agents de traitement de factures extraient les données pertinentes des documents entrants, les apparient avec les bons de commande et les contrats, signalent les exceptions pour examen humain et acheminent les approbations via des flux de travail définis avec la documentation de piste d'audit que les contrôles financiers exigent.
Les agents de surveillance de la conformité surveillent les flux de transactions, les enregistrements de communications et les données opérationnelles par rapport aux règles réglementaires en continu plutôt que via l'échantillonnage périodique dont dépend la revue manuelle de conformité. Un agent de conformité surveillant les communications de trading pour des problèmes de risque de conduite traite chaque message plutôt qu'un échantillon statistique, en appliquant des règles cohérentes sans la variabilité de fatigue que les réviseurs humains manifestent au cours de longues sessions de surveillance. Les exceptions sont escaladées à des professionnels qualifiés de la conformité qui appliquent leur jugement aux cas qui le requièrent véritablement, tandis que l'agent gère le travail de couverture qui consommait auparavant le temps de ces mêmes professionnels sur des tâches en deçà de leur niveau d'expertise.
Comprendre comment les exigences d' AI security et de piste d'audit s'appliquent aux agents AI opérant dans des flux de travail financiers réglementés aide les organisations à construire des déploiements qui satisfont à la fois leurs objectifs d'efficacité opérationnelle et les standards de documentation que les régulateurs financiers s'attendent à voir.
| Fonction métier | Capacité de l'agent | Valeur principale délivrée |
|---|---|---|
| Service client | Résolution complète du flux dans le cadre de l'autorité définie | Gestion du volume, cohérence, disponibilité 24/7 |
| Opérations de vente | Qualification des prospects, recherche, séquencement des relances | Couverture du pipeline, cohérence temporelle, priorisation |
| Opérations financières | Traitement de documents, appariement, routage des exceptions | Précision à l'échelle, piste d'audit, vitesse de traitement |
| Surveillance de la conformité | Surveillance continue basée sur des règles, escalade des exceptions | Exhaustivité de la couverture, cohérence, libération du temps expert |
| Opérations IT | Détection d'incidents, diagnostic, exécution de la résolution | Rapidité de réponse, continuité de couverture, qualité d'escalade |
| Opérations RH | Présélection des candidats, coordination d'onboarding, gestion des requêtes | Cohérence des processus, efficacité administrative |
Recherche, intelligence et gestion des connaissances
Les fonctions métier à forte intensité de recherche, dont l'intelligence concurrentielle, l'analyse de marché, la surveillance réglementaire et la gestion interne des connaissances, sont des cas d'usage d'agents AI en entreprise où la combinaison de la collecte d'informations multi-sources, de la synthèse et de la surveillance continue rend le déploiement d'agents particulièrement utile.
Un agent d'intelligence concurrentielle déployé sur une mission de surveillance continue suit les annonces des concurrents, les dépôts réglementaires, les publications de brevets et la couverture médiatique à travers des sources définies, fait remonter les développements pertinents par rapport aux besoins de renseignement de l'organisation et assemble des briefings réguliers qui synthétisent les conclusions à travers le paysage surveillé. La même couverture exécutée manuellement nécessite un temps d'analyste proportionnel à l'ampleur de la surveillance requise. Un agent fournit une couverture cohérente et complète pour une petite fraction de cet investissement en ressources.
Les agents internes de gestion des connaissances aident les organisations à rendre accessibles en temps réel, aux employés qui en ont besoin, les connaissances institutionnelles enfermées dans leur documentation, leurs projets passés et leurs processus accumulés. Plutôt que de passer du temps à chercher dans des dépôts d'organisation et d'actualité inégales, les employés interrogent un agent qui récupère et synthétise les connaissances pertinentes à la demande. L'agent ne remplace pas l'expertise des personnes qui ont créé ces connaissances. Il rend cette expertise accessible à tous ceux qui en ont besoin, pas seulement aux individus qui savent où elle est stockée ou à qui demander.
Examiner comment les AI features des plateformes d'agents d'entreprise gèrent l'attribution des sources et les contrôles d'accès à la base de connaissances aide les organisations à déployer des agents de recherche et de connaissances qui produisent des sorties vérifiables et restreintes de manière appropriée plutôt qu'une synthèse non attribuée qui ne peut pas être vérifiée ou efficacement contrôlée en accès.
Opérations IT et gestion de l'infrastructure
Les opérations IT représentent un domaine de déploiement à forte valeur pour les agents AI, car la combinaison d'exigences de surveillance continue, de playbooks de réponse définis et d'un coût significatif d'une réponse lente aux incidents crée les conditions dans lesquelles l'autonomie de l'agent délivre un bénéfice opérationnel mesurable.
Les agents d'opérations IT surveillent en continu la santé de l'infrastructure, la performance des applications et les flux d'événements de sécurité, en appliquant une logique de diagnostic définie pour identifier les anomalies et leurs causes probables avant de transmettre à des ingénieurs humains avec le contexte de diagnostic déjà assemblé. L'ingénieur humain qui reçoit une escalade d'un agent d'opérations IT bien déployé arrive au problème avec la chronologie des événements, l'évaluation des causes probables, les incidents historiques pertinents et les procédures de résolution standard déjà disponibles, plutôt que de passer la première partie significative de son temps de réponse à assembler ce contexte à partir de plusieurs systèmes de surveillance.
Les agents autorisés à exécuter des actions de remédiation définies, redémarrer des services, mettre à l'échelle des ressources, appliquer des correctifs standard, isoler des systèmes potentiellement compromis, gèrent les cas de résolution de routine de manière autonome tout en escaladant les situations véritablement nouvelles ou à fort impact qui nécessitent un jugement expert. Le résultat est un temps moyen de résolution plus rapide sur la majorité des incidents et une réponse humaine mieux préparée pour la minorité d'incidents qui ont véritablement besoin d'attention experte.
Concevoir des déploiements d'agents AI qui fonctionnent en pratique
Définir les limites d'autorisation avant le déploiement
La décision de conception la plus importante dans tout déploiement d'agent AI en entreprise est de définir ce que l'agent est autorisé à faire de manière autonome par rapport à ce qui nécessite une approbation humaine avant exécution. Cette décision détermine simultanément la valeur opérationnelle de l'agent et le profil de risque du déploiement, et la réussir exige de réfléchir attentivement aux conséquences d'une action incorrecte de l'agent dans chaque catégorie d'action.
Un cadre utile divise les actions de l'agent en trois catégories. Les actions entièrement autonomes sont celles où la conséquence d'une erreur de l'agent est faible, l'action est facilement réversible et le bénéfice volumétrique de l'exécution autonome est élevé. La récupération d'information, la vérification de statut, la génération de brouillons et l'envoi de notifications dans des paramètres définis y entrent généralement. Les actions avec humain dans la boucle sont celles où la conséquence d'une erreur est modérée, l'irréversibilité est partielle ou la situation possède des caractéristiques qui rendent l'autorisation basée sur des règles peu fiable. Ces actions sont préparées par l'agent et examinées par un humain avant exécution. Les actions entièrement autorisées par l'humain sont celles aux conséquences significatives, à l'irréversibilité matérielle ou aux exigences de responsabilité réglementaire. Celles-ci exigent une décision et une autorisation humaines quelle que soit la capacité de l'agent, car la responsabilité ne peut pas reposer de manière appropriée sur un système automatisé.
Le principe des 30 % est un point de départ pratique pour ce travail de conception. Les agents devraient exécuter de manière autonome les actions à haute fréquence, bien définies et à faible conséquence qui constituent environ 30 % de l'activité du flux de travail, tandis que le jugement et l'autorisation humains couvrent les 70 % impliquant des décisions à conséquence, des situations inhabituelles et une responsabilité qui doit reposer sur une personne plutôt qu'un système.
Mesure, surveillance et itération
Les déploiements d'agents AI qui délivrent une valeur durable sont activement gérés plutôt que déployés et oubliés. La performance d'un agent sur ses objectifs définis, le taux auquel il escalade vers une revue humaine, la qualité de ses résolutions autonomes et les schémas de ses raisons d'escalade fournissent tous une intelligence opérationnelle qui devrait nourrir un affinement continu.
Les agents qui escaladent trop fréquemment sont souvent insuffisamment autorisés ou mal configurés pour leur environnement de tâche réel. Les agents qui escaladent rarement peuvent dépasser leur autorité appropriée sans la supervision que requièrent les actions à conséquence. Trouver et maintenir le taux d'escalade correct pour chaque déploiement exige une surveillance et un ajustement continus plutôt qu'une configuration unique.
Un AI guide complet sur l'établissement de cadres de mesure de performance pour les agents AI d'entreprise aide les organisations à construire la discipline opérationnelle qui transforme les déploiements initiaux en actifs métier en amélioration continue plutôt qu'en automatisations statiques qui dérivent en qualité à mesure que leur environnement d'exploitation évolue.
Choses à savoir
Plusieurs considérations importantes sur les cas d'usage des agents AI en entreprise que les organisations découvrent systématiquement à travers l'expérience de déploiement :
Commencez plus étroitement que cela ne semble ambitieux. Les déploiements d'agents AI qui délivrent la valeur initiale la plus fiable sont ceux dont la portée est clairement définie, les critères de succès mesurables et l'environnement opérationnel bien compris. Les déploiements larges et ambitieux aux critères de succès vagues produisent de l'apprentissage mais délivrent rarement la valeur opérationnelle qui construit la confiance organisationnelle et le soutien exécutif à un investissement plus poussé.
La performance de l'agent ne se dégrade gracieusement que si des chemins de repli sont conçus. Lorsqu'un agent rencontre une situation hors de ses paramètres d'exploitation définis, la qualité du résultat dépend entièrement du chemin de repli intégré au système. Les agents sans processus clairs d'escalade et de transfert échouent visiblement ou, pire, produisent des sorties autonomes de faible qualité dans des situations où ils auraient dû transférer à un humain.
Journaliser chaque action de l'agent est une exigence opérationnelle, pas une amélioration optionnelle. La capacité d'auditer ce qu'un agent a fait, dans quelle séquence, sur quelles entrées et avec quelle autorisation est essentielle pour l'amélioration de la qualité, l'investigation d'incidents et la conformité réglementaire dans tout contexte métier. Les organisations qui traitent la journalisation comme un nice-to-have découvrent lors de leur premier incident que la reconstruction du comportement de l'agent sans journaux exhaustifs est effectivement impossible.
Les agents héritent des risques d'accès aux données des systèmes auxquels ils se connectent. Un agent ayant accès à votre CRM, vos systèmes financiers et votre infrastructure de messagerie est une cible de grande valeur si ses contrôles d'accès ne sont pas aussi rigoureux que ceux des systèmes eux-mêmes. La gestion d'accès pour les agents requiert la même discipline que la gestion d'accès pour les utilisateurs humains privilégiés.
La confiance des utilisateurs dans les sorties d'un agent met du temps à se développer et peut être endommagée rapidement. Les employés qui reçoivent des produits de travail ou des décisions d'agents AI développent leur confiance en fonction de leur expérience de la qualité de l'agent au fil du temps. Une période de haute performance autonome construit une confiance qui accélère l'adoption. Une erreur significative, en particulier avec des conséquences visibles, endommage cette confiance d'une manière qui prend bien plus de temps à reconstruire qu'à établir.
Les sept types fonctionnels d'agents AI dans des contextes métier sont les agents de récupération d'information, les agents d'automatisation de flux de travail, les agents de surveillance et d'alerte, les agents d'aide à la décision, les agents de communication, les agents de recherche et de synthèse, et les agents de coordination. La plupart des déploiements métier pratiques combinent plusieurs types fonctionnels au sein d'un même déploiement, c'est pourquoi définir la limite d'autorisation pour chaque type fonctionnel est plus utile opérationnellement que de catégoriser le déploiement global en un seul type.
Le paysage des fournisseurs d'infrastructure d'agents évolue plus vite que la plupart des cycles d'achat d'entreprise. Les plateformes, frameworks et modèles fondamentaux qui alimentent les déploiements d'agents changent significativement d'année en année. Construire des architectures d'agents avec une séparation claire entre la logique métier et le modèle et la plateforme sous-jacents réduit le coût d'adaptation à ce changement plutôt que d'être enfermé dans des choix d'infrastructure qui avaient du sens au déploiement mais deviennent limitants à mesure que le paysage évolue.
L'argumentaire d'investissement pour les agents AI est désormais opérationnel, pas spéculatif
La conversation autour des cas d'usage des agents AI en entreprise est passée de la question de savoir si les agents délivreront une valeur réelle à celle de savoir quels déploiements délivrent le plus de valeur et quels sont les facteurs organisationnels qui déterminent le succès. Les preuves opérationnelles des organisations qui ont dépassé l'expérimentation pour atteindre le déploiement en production sont cohérentes et croissantes. Les processus à haute fréquence et bien définis, aux résultats mesurables et aux chemins d'escalade clairs délivrent des gains d'efficacité, des améliorations de cohérence de qualité et une réallocation du temps du personnel vers un travail à plus forte valeur, comme l'avaient projeté les argumentaires métier d'avant déploiement.
Les organisations qui captent cette valeur ne sont pas nécessairement celles qui ont bougé le plus vite. Ce sont celles qui ont défini leurs limites d'autorisation avec soin, intégré la mesure et la supervision à leurs déploiements dès le départ et maintenu la discipline de gouvernance permettant aux humains de rester responsables des décisions que les agents soutiennent plutôt que prennent. Cette combinaison de déploiement de capacités et de discipline de gouvernance est ce qui transforme l'investissement dans les agents AI d'une expérience intéressante en un avantage concurrentiel durable.
Questions fréquemment posées
Quels sont les cas d'usage des agents AI en entreprise ?
Les cas d'usage des agents AI en entreprise couvrent l'automatisation des flux de travail du service client, la qualification et le suivi des prospects de vente, le traitement de documents financiers et la surveillance de la conformité, la réponse aux incidents des opérations IT, l'intelligence concurrentielle et la synthèse de recherche, la gestion interne des connaissances et la coordination des processus RH. Les cas d'usage délivrant la valeur la plus cohérente partagent trois caractéristiques : une fréquence d'exécution élevée, des critères de succès bien définis et des limites d'autorisation claires qui déterminent ce que l'agent gère de manière autonome par rapport à ce qu'il escalade vers une revue humaine.
Quels sont les cas d'usage courants de l'AI en entreprise ?
Les cas d'usage les plus courants de l'AI en entreprise aujourd'hui sont l'automatisation du service client, l'assistance commerciale et la gestion du pipeline, le traitement de documents et l'extraction de données, la surveillance et le reporting de conformité, la génération et la revue de code, la recherche interne et la récupération de connaissances, ainsi que la planification et la coordination de flux de travail. À travers ces applications, le moteur métier commun est la prise en charge d'un travail à grand volume et à processus définis avec une cohérence et une échelle que l'exécution manuelle ne peut égaler de manière rentable, libérant l'expertise humaine pour le travail intensif en jugement qui produit la plus grande valeur stratégique pour l'entreprise.
Quelle est la règle des 30 % pour l'AI ?
La règle des 30 % pour l'AI est le principe selon lequel les agents AI devraient gérer environ 30 % d'un flux de travail de manière autonome, spécifiquement les actions à haute fréquence, bien définies et à faible conséquence où l'automatisation délivre des bénéfices d'efficacité clairs, tandis que le jugement et la responsabilité humains couvrent les 70 % restants impliquant des décisions à conséquence, des situations inhabituelles et des sorties qui portent une responsabilité organisationnelle ou réglementaire. Dans la conception du déploiement d'agents, ce principe se traduit directement par des décisions de limite d'autorisation qui déterminent quelles actions de l'agent sont entièrement autonomes, lesquelles nécessitent une revue humaine avant exécution et lesquelles exigent une décision et une autorisation humaines quelle que soit la capacité de l'agent.
Que sont les agents AI pour les applications métier ?
Les agents AI pour les applications métier sont des systèmes logiciels qui poursuivent des objectifs définis par une exécution autonome en plusieurs étapes, en utilisant les outils et sources de données disponibles pour planifier, exécuter, évaluer et ajuster leurs actions jusqu'à ce qu'un objectif soit atteint ou qu'un point de contrôle humain soit atteint. Contrairement aux assistants AI qui répondent à des invites individuelles, les agents maintiennent le contexte de la tâche sur plusieurs étapes, prennent des décisions intermédiaires en fonction des résultats rencontrés pendant l'exécution et gèrent la coordination et le suivi à travers des flux de travail complexes, ce qui les rend précieux pour les types de processus métier soutenus et en plusieurs étapes où l'exécution humaine est la plus coûteuse et la plus variable en qualité.
Quels sont les 7 types d'agents AI ?
Les sept types fonctionnels d'agents AI dans des contextes métier sont les agents de récupération d'information qui rassemblent et synthétisent des données à partir de sources définies, les agents d'automatisation de flux de travail qui exécutent des processus définis en plusieurs étapes, les agents de surveillance et d'alerte qui surveillent des flux de données par rapport à des règles définies, les agents d'aide à la décision qui analysent des options et recommandent des actions pour une revue humaine, les agents de communication qui rédigent et gèrent les messages sortants, les agents de recherche et de synthèse qui mènent une analyse multi-sources, et les agents de coordination qui gèrent le séquencement et les transferts entre d'autres agents ou participants humains. La plupart des déploiements métier en production combinent plusieurs types fonctionnels au sein d'un même système déployé, la combinaison spécifique étant déterminée par le flux de travail automatisé plutôt que par une seule classification de type d'agent.